Introduzione¶
I NEO (Near Earth Object) sono corpi rocciosi (asteroidi e comete) costituiti dai detriti rimasti dalla formazione del Sistema Solare che orbitano intorno al Sole:
sono le briciole della prima formazione del nostro Sistema Solare avvenuta 4.6 miliardi di anni fa.
Essendo le loro orbite molto caotiche, anche una piccola perturbazione gravitazionale come un passaggio ravvicinato con un altro oggetto celeste è in grado
di cambiare la loro traiettoria fino ad intersecare l’orbita terrestre.
Il CNEOS (Centre for Orbital Study) definisce NEO 'asteroidi e comete con q < 1.3 AU'.
I NEA invece sono una sottoclasse dei NEO a cui appartengono solo asteroidi. Asteroidi con diametri "piccoli" hanno una grossa probabilità di bruciare durante l'ingresso in atmosfera e quindi essere poco pericolosi mentre oggetti grandi 1 Km possono essere distruttivi. Ci sono programmi che osservano il cielo alla scoperta di nuovi oggetti per migliorare le conoscenze sulle loro orbite e individuarne la pericolosità.
I PHA sono una sottoclasse di NEA che potenzialmente possono impattare con la Terra e produrre danni significativi. Gli asteroidi PHA hanno le seguenti caratteristiche:
- Minimum Orbit Intersection Distance (moid) < 0.05 AU (7,480,000 km) oppure
- H < 22.0 (diametro inferiore a 140 m assumendo un albedo del 14%)
Nel 2013 l'asteroide Chelyabinsk (diametro ~20 m) si è avvicinato troppo ed è esploso durante l'ingresso in atmosfera rilasciando una quantità di energia equivalenti a ~20 bombe atomiche di Hiroshima
| 0 | 1 | 2 | 3 | 4 | |
|---|---|---|---|---|---|
| spkid | 20000433 | 20000719 | 20000887 | 20001036 | 20001221 |
| neo | Y | Y | Y | Y | Y |
| pha | N | N | N | N | N |
| full_name | 433 Eros (A898 PA) | 719 Albert (A911 TB) | 887 Alinda (A918 AA) | 1036 Ganymed (A924 UB) | 1221 Amor (1932 EA1) |
| diameter | 16.84 | NaN | 4.20 | 37.67 | 1.00 |
| class | AMO | AMO | AMO | AMO | AMO |
| H | 10.42 | 15.59 | 13.88 | 9.26 | 17.38 |
| G | 0.46 | NaN | -0.12 | 0.30 | NaN |
| albedo | 0.25 | NaN | 0.31 | 0.24 | NaN |
| BV | 0.92 | NaN | 0.83 | 0.84 | NaN |
| UB | 0.53 | NaN | 0.44 | 0.42 | NaN |
| e | 0.22 | 0.55 | 0.57 | 0.53 | 0.44 |
| a | 1.46 | 2.64 | 2.47 | 2.67 | 1.92 |
| q | 1.13 | 1.19 | 1.06 | 1.25 | 1.08 |
| i | 10.83 | 11.58 | 9.40 | 26.69 | 11.88 |
| per_y | 1.76 | 4.28 | 3.89 | 4.35 | 2.66 |
| moid | 0.15 | 0.20 | 0.08 | 0.34 | 0.10 |
| ad | 1.78 | 4.08 | 3.88 | 4.09 | 2.76 |
| first_obs | 1893-10-29 | 1911-10-04 | 1918-02-03 | 1924-10-23 | 1932-03-12 |
Lista dei campi di intestazione <class 'pandas.core.frame.DataFrame'> RangeIndex: 33736 entries, 0 to 33735 Data columns (total 19 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 spkid 33736 non-null int64 1 neo 33736 non-null object 2 pha 33710 non-null object 3 full_name 33736 non-null object 4 diameter 1248 non-null float64 5 class 33736 non-null object 6 H 33731 non-null float64 7 G 13 non-null float64 8 albedo 1203 non-null float64 9 BV 38 non-null float64 10 UB 38 non-null float64 11 e 33736 non-null float64 12 a 33736 non-null float64 13 q 33736 non-null float64 14 i 33736 non-null float64 15 per_y 33736 non-null float64 16 moid 33711 non-null float64 17 ad 33736 non-null float64 18 first_obs 33736 non-null object dtypes: float64(13), int64(1), object(5) memory usage: 4.9+ MB
NEA pre elaborazione¶
- Ispezione generica
- Rimozione colonne inutili all'analisi (BV, UB)
- Rimozione colonne con valori nulli (H, diametro, class)
- Rinominate le classi orbitali (0, 1, 2, 3 al posto di AMO, APO, ATE, IEO)
- Rinominate i tipi di NEA (codifica binaria)
Numero di NEA: 33736 Numero di NEA senza un diametro specificato: 32488 Numero di NEA senza H: 5 Numero di NEA senza l'indice PHA: 26
| count | mean | std | min | 25% | 50% | 75% | max | |
|---|---|---|---|---|---|---|---|---|
| spkid | 33706.00 | 22502202.73 | 23343002.19 | 3001703.00 | 3694019.25 | 3841716.50 | 54131698.50 | 54413300.00 |
| pha | 33706.00 | 0.07 | 0.26 | 0.00 | 0.00 | 0.00 | 0.00 | 1.00 |
| diameter | 1245.00 | 1.03 | 1.65 | 0.00 | 0.31 | 0.63 | 1.25 | 37.67 |
| H | 33706.00 | 23.44 | 2.90 | 9.26 | 21.29 | 23.77 | 25.60 | 33.58 |
| G | 13.00 | 0.11 | 0.24 | -0.25 | -0.03 | 0.10 | 0.24 | 0.60 |
| albedo | 1203.00 | 0.17 | 0.14 | 0.01 | 0.05 | 0.14 | 0.26 | 0.86 |
| e | 33706.00 | 0.44 | 0.18 | 0.00 | 0.30 | 0.45 | 0.56 | 1.00 |
| a | 33706.00 | 1.76 | 1.96 | 0.46 | 1.30 | 1.70 | 2.17 | 326.00 |
| q | 33706.00 | 0.92 | 0.23 | 0.07 | 0.79 | 0.96 | 1.06 | 1.30 |
| i | 33706.00 | 12.05 | 10.71 | 0.01 | 4.43 | 8.51 | 16.89 | 165.57 |
| moid | 33706.00 | 0.09 | 0.10 | 0.00 | 0.01 | 0.05 | 0.13 | 0.71 |
| Q | 33706.00 | 2.61 | 3.89 | 0.65 | 1.67 | 2.44 | 3.36 | 650.82 |
NEA census¶
Valore mediano del diametro (Km) per i NEA non PHA: 0.6855 Km Valore mediano del diametro (Km) per i NEA PHA: 0.495 Km Valore medio del diametro (Km) per i NEA non PHA: 1.1258655973451328 Km Valore medio del diametro (Km) per i NEA PHA: 0.7867976539589443 Km
Diametro di un asteroide¶
Per stimare il diametro di un asteroide ci si basa:
- sull'albedo
- magnitudine assoluta
- alcune tabelle di confronto (https://cneos.jpl.nasa.gov/tools/ast_size_est.html)
$$ d = 10^{(3.1236 - 0.5 log_{10}(albedo) - 0.2H)} $$
Diagramma di dispersione¶
Il diagramma di dispersione (scatter diagram) è utilizzato per studiare e identificare la possibile relazione tra due variabili. Viene utilizzato come strumento per convalidare la relazione tra cause ed effetti nell’analisi di un problema.
Si tratta di un grafico in cui i valori di due variabili sono riportati su due assi cartesiani e l’aggregazione dei punti risultanti indica il livello di correlazione o meno tra tali variabili
Diagramma dei parametri orbitali¶
Distribuzione dei valori dei principali parametri orbitali per le 4 classi di NEA
Generate orbital diagram and build gif picture¶
Introduzione dell'Intelligenza artificiale¶
Costuiamo due sistemi di classificazione con supervisione basato su algoritmi di A.I.
Si vule classificare i NEA per:
- pericolosità (PHA, non PHA)
- per tipo (ATE, APO, AMO ed IEO)
Algoritmi con supervisione: una classe di algoritmi per la classificazione che si basa su un modello di addestramento con dati etichettati per fare previsione su nuovi dati.
Questo genere di algoritmi serve per risolvere problemi di classificazione e regressione.
Il Machine Learning, un sotto campo dell’Intelligenza Artificiale, sostiene il lavoro dell’essere umano, soprattutto nei casi di compiti ripetitivi che possono essere automatizzati ma non lo solleva dal controllo dei risultati forniti dagli algoritmi e dalla validità e consistenza dei dati di ingresso (bias, numerosità, rappresentatività del campione, …)
Fonte: https://blog.hubspot.com/marketing/ai-algorithms
Filtriamo sui dati orbitali che ipotizziamo necessari alla classificazione e sostituiamo la classe con una numerazione, per ognuna delle 2 analisi.
Disegno dell'autore
Classificazione dei NEA in funzione della pericolosità¶
| H | a | q | Q | moid | class | pha | |
|---|---|---|---|---|---|---|---|
| 0 | 10.42 | 1.46 | 1.13 | 1.78 | 0.15 | 1 | 0.00 |
| 1 | 15.59 | 2.64 | 1.19 | 4.08 | 0.20 | 1 | 0.00 |
| 2 | 13.88 | 2.47 | 1.06 | 3.88 | 0.08 | 1 | 0.00 |
| 3 | 9.26 | 2.67 | 1.25 | 4.09 | 0.34 | 1 | 0.00 |
| 4 | 17.38 | 1.92 | 1.08 | 2.76 | 0.10 | 1 | 0.00 |
Suddivisione del dataset dei NEA in dati di addestramento e test¶
Suddivisione dei dati iniziali in training (35%) e test (65%) usati per la validazione
Dati di input:
- moid
- H
Dati di output:
- pha
Riscalare:
- Uniformare i dati in un'unica scala commensurabile uguale ad ogni caratteristica
0.00 20355 1.00 1553 Name: pha, dtype: int64
Support Vector Machines (SVM) model¶
Il classificatore separa i punti usando un iperpiano con il massimo margine di separazione
SVM trova l'iperpiano ottimale (massimo) che separa il dataset in due zone entro i quali i nuovi dati verranno classificati. Lavora in maniera iterativa per minimizzare l'errore.
E' un approccio statistico. (https://www.datacamp.com/tutorial/svm-classification-scikit-learn-python)
SVM Accuracy: 0.9692320732327513
precision recall f1-score support
0.0 0.98 0.99 0.98 10961
1.0 0.83 0.71 0.77 837
accuracy 0.97 11798
macro avg 0.90 0.85 0.88 11798
weighted avg 0.97 0.97 0.97 11798
- Accuracy: quanto le predizioni sono vere?
- Precision: fra tutte quelle positive/negative, quante sono vere?
- Recall: Tra tutte quelle che dovrebbero essere previste come vere, quante lo sono veramente? (errore primo tipo)
- F1 Score: misura statistica che combina Recall e Precision
KNeighbors model¶
Il classificatore usa il concetto di prossimità per fare previsioni sul raggruppamento a cui appartiene il dato in esame/ Si basa sull'ipotesi che punti simili possono trovarsi vicini tra loro.
L'assegnazione avviene per maggioranza oppure per superamento di una soglia percentuale.
Serve introdurre il concetto di distanza. Bisogna definire una metrica.
- Distanza di Hamming
- Distanza di Manhattan
- Distanza Euclidea
KNeighbors Accuracy: 0.9977962366502797
precision recall f1-score support
0.0 1.00 1.00 1.00 10961
1.0 0.99 0.98 0.98 837
accuracy 1.00 11798
macro avg 0.99 0.99 0.99 11798
weighted avg 1.00 1.00 1.00 11798
Decision tree model¶
E' un classificatore ad albero decisionale dove:
- ogni nodo rappresenta un attributo
- ogni diramazione una regola di decisione
- ogni foglia un risultato (previsione)
Si parte dalla radice e si partiziona il dataset in funzione del valore di un attributo. Si procede in maniera iterativa. Il processo è simile al procedimento decisionale dell'essere unamo.
Le principali misure utilizzate per le definizioni di attributo ed assegnamento dei nodi sono:
- Information Gain (basata sul valore di entropia)
- Gain Ratio (indice preferenza)
- Gini Index (basata su un calcolo probabilistico)
DecisionTree Accuracy: 0.9977962366502797
precision recall f1-score support
0.0 1.00 1.00 1.00 10961
1.0 0.98 0.99 0.98 837
accuracy 1.00 11798
macro avg 0.99 0.99 0.99 11798
weighted avg 1.00 1.00 1.00 11798
Accuratezza del modello¶
Tutti gli algoritmi di classificazione con supervisione offrono un valore di accuratezza elevata.
| Model | Accuracy | |
|---|---|---|
| 0 | SVM | 0.9692321 |
| 1 | KNeighbors | 0.9977962 |
| 2 | Decision Tree | 0.9977962 |
Classificazione dei NEA per tipo¶
Suddivisione del dataset dei NEA in dati di addestramento e test¶
Suddivisione dei dati iniziali in training (40%) e test (60%) usati per la validazione
Dati di input:
- a
- q
- Q
Dati di output:
- APO, AMO, ATE, IEO (0, 1, 2, 3)
Riscalare:
- Uniformare i dati in un'unica scala commensurabile uguale ad ogni caratteristica
Codifica i tipi di classi con numeri
0 11377 1 7233 2 1594 3 19 Name: class2, dtype: int64
DecisionTree Accuracy: 0.6505970481346881
precision recall f1-score support
0 0.99 0.63 0.77 7585
1 1.00 0.82 0.90 4823
2 0.00 0.00 0.00 1062
3 0.00 1.00 0.01 13
accuracy 0.65 13483
macro avg 0.50 0.61 0.42 13483
weighted avg 0.91 0.65 0.76 13483
KNeighbors Accuracy: 0.7835793221093228
precision recall f1-score support
0 0.96 0.67 0.79 7585
1 0.99 0.95 0.97 4823
2 0.27 0.84 0.41 1062
3 0.03 0.38 0.05 13
accuracy 0.78 13483
macro avg 0.56 0.71 0.55 13483
weighted avg 0.91 0.78 0.82 13483
Random Forest model¶
Random Forest è un algoritmo che combina l'output di più strutture ad albero decisionali per raggiungere un unico risultato. Gestisce sia i problemi di classificazione che quelli di regressione.
Gli algoritmi Random Forest hanno tre iperparametri principali, che devono essere impostati prima dell'addestramento.
- dimensione dei nodi
- numero di strutture ad albero
- numero di caratteristiche campionate
Si costruisce una serie di strutture ad albero decisionali e ogni struttura ad albero è un insieme composto da un campione di dati tratto da un set di addestramento con sostituzione La classificazione avviene a maggioranza: la variabile categoriale più frequente
Fonte: http://www.ibm.com
Fitting 4 folds for each of 125 candidates, totalling 500 fits
Random Forest Accuracy: 0.7088185122005488
precision recall f1-score support
0 0.99 0.63 0.77 7585
1 1.00 0.98 0.99 4823
2 0.00 0.00 0.00 1062
3 0.00 1.00 0.01 13
accuracy 0.71 13483
macro avg 0.50 0.65 0.44 13483
weighted avg 0.91 0.71 0.79 13483
| Model | Accuracy | |
|---|---|---|
| 0 | Decision Tree | 0.6505970 |
| 1 | KNeighbor | 0.7835793 |
| 2 | Random Forest | 0.7088185 |
Vari passaggi NEA negli anni passati e prossimi futuri¶
Lista avvicinamenti NEO a minima distanza per gli anni dal 2018 fino al 2030 con diametro noto
- per anno
- per mese
Per anni inferiori al 2023 agli avvicinamenti sono già avvenuti, per anni futuri si tratta di proiezioni in base alle orbite attuali
Lista dei NEA con il passaggio alla minima distanza per gli ultimi anni
| Year | des | fullname | cd | dist | Velocity (Km/s) | Diameter (Km) | |
|---|---|---|---|---|---|---|---|
| 0 | 2019 | 2019 UN13 | (2019 UN13) | 2019-Oct-31 14:45 | 0.0328133 | 12.8450934 | NaN |
| 1 | 2020 | 2020 VT4 | (2020 VT4) | 2020-Nov-13 17:21 | 0.0175482 | 13.4271195 | NaN |
| 2 | 2021 | 2021 UA1 | (2021 UA1) | 2021-Oct-25 03:07 | 0.0245231 | 15.8350069 | NaN |
| 3 | 2022 | 2022 FD1 | (2022 FD1) | 2022-Mar-25 09:13 | 0.0386174 | 18.5120509 | NaN |
| 4 | 2023 | 2023 BU | (2023 BU) | 2023-Jan-27 00:29 | 0.0259287 | 9.2672387 | NaN |
| 5 | 2024 | 2007 XB23 | (2007 XB23) | 2024-Dec-11 18:08 | 1.1592817 | 4.7659415 | NaN |
| 6 | 2025 | 2022 SS2 | (2022 SS2) | 2025-Sep-13 14:53 | 2.3740716 | 7.2177511 | NaN |
| 7 | 2026 | 2013 GM3 | (2013 GM3) | 2026-Apr-14 16:15 | 0.6777525 | 7.4095083 | NaN |
| 8 | 2027 | 137108 | 137108 (1999 AN10) | 2027-Aug-07 07:11 | 1.0141914 | 26.2840540 | NaN |
| 9 | 2028 | 153814 | 153814 (2001 WN5) | 2028-Jun-26 05:23 | 0.6470144 | 10.2426018 | 0.9320000 |
| 10 | 2029 | 99942 | 99942 Apophis (2004 MN4) | 2029-Apr-13 21:46 | 0.0988853 | 7.4225373 | 0.3400000 |
Orbita di avvicinamento di Apophis nel 2029 visto dall'alto del Sistema Solare
Ephemerides at 50 epochs from 2029-03-15 12:00:00.000 (TDB) to 2029-04-14 12:00:00.000 (TDB)
Lista dei passaggi NEA nei primi giorni del 2024¶
Found 24 NEA passages from date: 2024-01-08 to date: 2024-01-15
| des | cd | dist | Velocity (Km/s) | Absolute Magnitude | fullname | Earth-Moon distance | |
|---|---|---|---|---|---|---|---|
| 0 | 2024 AC3 | 2024-Jan-08 01:13 | 0.01045 | 21.50614 | 25.20600 | (2024 AC3) | 4.06580 |
| 1 | 2024 AX3 | 2024-Jan-08 04:48 | 0.01233 | 5.51022 | 27.62600 | (2024 AX3) | 4.79872 |
| 2 | 2024 AD2 | 2024-Jan-08 10:58 | 0.03229 | 7.26966 | 26.38100 | (2024 AD2) | 12.56812 |
| 3 | 2002 AY1 | 2024-Jan-08 18:11 | 0.03879 | 17.33917 | 20.94000 | (2002 AY1) | 15.09628 |
| 4 | 2023 XN13 | 2024-Jan-09 06:22 | 0.04032 | 1.43756 | 28.08100 | (2023 XN13) | 15.69195 |
| 5 | 2024 AS1 | 2024-Jan-09 18:12 | 0.00388 | 16.78510 | 27.21900 | (2024 AS1) | 1.50846 |
| 6 | 2024 AC4 | 2024-Jan-10 00:52 | 0.01610 | 8.94911 | 27.26500 | (2024 AC4) | 6.26590 |
| 7 | 2024 AF4 | 2024-Jan-10 04:42 | 0.04772 | 6.34531 | 26.16600 | (2024 AF4) | 18.56974 |
| 8 | 2023 XT14 | 2024-Jan-10 12:02 | 0.03113 | 6.37317 | 25.58700 | (2023 XT14) | 12.11389 |
| 9 | 2024 AU1 | 2024-Jan-10 14:07 | 0.04693 | 18.14647 | 24.17200 | (2024 AU1) | 18.26233 |
| 10 | 2024 AN1 | 2024-Jan-10 17:08 | 0.01036 | 7.94653 | 26.56900 | (2024 AN1) | 4.03219 |
| 11 | 2023 YO1 | 2024-Jan-10 17:53 | 0.01742 | 3.07301 | 25.90900 | (2023 YO1) | 6.78132 |
| 12 | 2024 AY2 | 2024-Jan-10 22:52 | 0.02139 | 8.39128 | 26.95800 | (2024 AY2) | 8.32423 |
| 13 | 2024 AE4 | 2024-Jan-11 00:18 | 0.00814 | 8.22568 | 28.68800 | (2024 AE4) | 3.16635 |
| 14 | 2020 AC1 | 2024-Jan-11 11:29 | 0.04939 | 5.31646 | 28.40000 | (2020 AC1) | 19.22104 |
| 15 | 2024 AB4 | 2024-Jan-11 14:21 | 0.03822 | 2.96030 | 26.26100 | (2024 AB4) | 14.87324 |
| 16 | 2024 AG4 | 2024-Jan-11 21:32 | 0.00228 | 11.96736 | 28.24300 | (2024 AG4) | 0.88571 |
| 17 | 2023 WZ3 | 2024-Jan-11 23:30 | 0.04139 | 3.98656 | 25.03000 | (2023 WZ3) | 16.10794 |
| 18 | 2024 AR2 | 2024-Jan-12 03:45 | 0.00847 | 19.19486 | 26.39300 | (2024 AR2) | 3.29654 |
| 19 | 2024 AW2 | 2024-Jan-13 12:10 | 0.02796 | 6.73245 | 26.47400 | (2024 AW2) | 10.88177 |
| 20 | 2024 AR1 | 2024-Jan-13 14:29 | 0.02564 | 4.53009 | 26.04900 | (2024 AR1) | 9.97751 |
| 21 | 2024 AF3 | 2024-Jan-14 16:21 | 0.02247 | 6.73303 | 26.92300 | (2024 AF3) | 8.74507 |
| 22 | 2024 AG3 | 2024-Jan-14 18:18 | 0.01136 | 9.79961 | 27.74500 | (2024 AG3) | 4.42011 |
| 23 | 2024 AZ3 | 2024-Jan-14 20:53 | 0.00169 | 9.92721 | 28.85400 | (2024 AZ3) | 0.65667 |
Passaggi NEA pericolosi per questo anno¶
| des | cd | dist | Velocity (Km/s) | Absolute Magnitude | Diameter (Km) | fullname | Earth-Moon distance | |
|---|---|---|---|---|---|---|---|---|
| 0 | 2008 OS7 | 2024-Feb-02 14:41 | 0.01908 | 18.16685 | 20.48000 | None | (2008 OS7) | 7.42484 |
| 1 | 2019 CC5 | 2024-Feb-04 07:10 | 0.04904 | 14.95966 | 22.03000 | None | (2019 CC5) | 19.08509 |
| 2 | 2023 SP1 | 2024-Feb-07 00:06 | 0.03665 | 11.79996 | 20.71000 | None | (2023 SP1) | 14.26434 |
| 3 | 2020 BP13 | 2024-Apr-09 02:32 | 0.03886 | 6.80395 | 21.20000 | None | (2020 BP13) | 15.12381 |
| 4 | 517681 | 2024-Apr-15 14:08 | 0.04699 | 14.18096 | 18.91000 | None | 517681 (2015 DE198) | 18.28646 |
| 5 | 439437 | 2024-Apr-15 14:50 | 0.02177 | 16.48970 | 18.83000 | None | 439437 (2013 NK4) | 8.47213 |
| 6 | 2022 TN1 | 2024-Apr-30 23:57 | 0.04766 | 17.73737 | 20.43000 | None | (2022 TN1) | 18.54963 |
| 7 | 415029 | 2024-Jun-27 20:16 | 0.04439 | 25.88222 | 15.98000 | None | 415029 (2011 UL21) | 17.27675 |
| 8 | 2011 AM24 | 2024-Jul-26 15:56 | 0.04311 | 6.20365 | 20.51000 | 0.511 | (2011 AM24) | 16.77739 |
| 9 | 523664 | 2024-Jul-28 02:47 | 0.03822 | 23.68534 | 18.59000 | 0.346 | 523664 (2012 OD1) | 14.87333 |
| 10 | 2013 FW13 | 2024-Sep-18 06:29 | 0.02172 | 15.55928 | 21.70000 | None | (2013 FW13) | 8.45346 |
| 11 | 363027 | 2024-Oct-12 01:52 | 0.02380 | 16.62992 | 19.64000 | 0.578 | 363027 (1998 ST27) | 9.26404 |
| 12 | 363305 | 2024-Oct-24 15:48 | 0.03021 | 4.87269 | 21.41000 | None | 363305 (2002 NV16) | 11.75649 |
| 13 | 2020 WG | 2024-Oct-28 01:57 | 0.02161 | 9.41521 | 21.73000 | None | (2020 WG) | 8.41008 |
| 14 | 2023 WK3 | 2024-Nov-18 14:02 | 0.04100 | 14.47382 | 20.54000 | None | (2023 WK3) | 15.95532 |
| 15 | 447755 | 2024-Dec-03 23:16 | 0.03698 | 12.22260 | 19.77000 | None | 447755 (2007 JX2) | 14.39161 |
| 16 | 2020 XR | 2024-Dec-04 05:27 | 0.01477 | 12.30958 | 19.90000 | None | (2020 XR) | 5.74745 |
| 17 | 2020 BC6 | 2025-Jan-05 21:44 | 0.02462 | 22.18301 | 20.78000 | None | (2020 BC6) | 9.58214 |
| des | cd | dist | Velocity (Km/s) | Absolute Magnitude | Diameter (Km) | fullname | Earth-Moon distance | |
|---|---|---|---|---|---|---|---|---|
| 16 | 2020 XR | 2024-Dec-04 05:27 | 0.01477 | 12.30958 | 19.90000 | None | (2020 XR) | 5.74745 |
Supponete che un asteroide on un diametro compreso fra 10 e 20 Km è destinato ad entrare in atmosfera e ad impattare sulla Terra. Avete a disposizione solo una settimana prima dell’incontro. Cosa fareste nel tempo rimasto?
Bibliografia¶
- https://cneos.jpl.nasa.gov/ca/
- https://ssd-api.jpl.nasa.gov/doc/cad.html
- https://github.com/afshimono/near_earth_object?tab=readme-ov-file
- https://asteroid.lowell.edu/
- http://www.ibm.com
Database, tool, sky chart from ESA¶
- https://neo.ssa.esa.int/neo-toolkit
- https://neotools.ssa.esa.int/fvt
- https://neo.ssa.esa.int/neo-population-generator
- https://theskylive.com/near-earth-objects
- https://neotools.ssa.esa.int/scd/setup